基于多模态磁共振脑图谱库的婴儿大脑量化分析方法研究

Recent development in quantitative analysis of Magnetic Resonance Images (MRI) has made it an increasing important tool in clinical practice. However, due to the low and rapidly-changing MR contrasts in the infant brains (0-1 year old), the segmentation accuracy of infant brain MRI is limited. In addition, because the MRI signatures of the infant brains change in a non-linear fashion during early development, conventional feature analysis methods are not entirely applicable in this situation. In order to address these difficulties, we aim to develop two core technologies in this project. First, we will develop a “Multi-Contrast Multi-Atlas” based image segmentation method, which synergistically utilizes the complementary information from multiple imaging modalities and the individual variations from multiple atlases to improve the segmentation accuracy of infant brain MRI. Secondly, we will design a “Developmental Score” model, which transforms the non-linear relation between gestational age and MRI measurements to a linear association between developmental score and MRI measurements. At the same time, the model aligns cross-sectional and longitudinal data from large population studies into an integrated mathematical framework, to characterize the spatiotemporal pattern of brain development. Based on these new technologies, we will investigate the differential developmental patterns between preterm-born and term-born infants. In addition, we will explore the associations between MRI features and clinical assessments, and then employ machine-learning methods to predict the long-term neurological outcome in the infants. This project aims to establish an image analysis system for precise quantification of infant brain MRI, which could potentially become a useful clinical tool to assist early diagnosis and prognosis of infant brain disorders.

磁共振影像的量化分析方法近年来发展迅速，逐渐成为临床诊疗的有力工具。然而0-1岁的婴儿大脑由于成像对比度弱、动态变化大等特点，图像分割准确度受到限制，且传统的影像特征分析方法难以准确刻画婴儿大脑在发育早期的非线性变化。针对这些问题，课题拟定发展两方面的核心技术：1）基于多模态多图谱数据库的图像分割方法，利用各成像模态的信息互补性以及多图谱的个体差异性，研究图谱融合的新方法，提高婴儿脑影像分割的准确度；2）建立“发育指数模型”，将非线性变化的影像特征转换到线性形式，并且把来自不同婴儿的纵向随访数据纳入统一理论框架，提取大脑发育的时空变化模式。基于这些新方法，申请人将研究早产与足月出生的婴儿大脑发育模式的差异，探索影像特征与临床量表间的相关性，并通过机器学习对婴儿神经系统功能的发展进行预测。本课题目标建立婴儿磁共振脑影像的精准量化系统，为发育早期神经系统功能的评估和预后提供有效的影像学工具。

磁共振影像是刻画大脑发育和发育过程中脑疾病的重要手段。然而0-1岁的婴儿大脑由于成像对比度弱、动态变化大等特点，图像分割准确度受到限制，且难以准确刻画婴儿大脑在发育早期的非线性变化。本项目针对新生儿磁共振成像和图像分析中的关键难点，发展适用于婴儿大脑成像与数据分析的影像学方法。在技术研发层面，我们基于多模态多图谱数据库的图像分割方法，研究图谱融合的新算法，以提高婴儿脑影像分割的准确度；并研发新型的统计学模型，将非线性变化的影像特征转换到线性形式，以提取婴儿大脑发育的时空变化模式。在脑发育研究层面，我们建立了婴儿大脑发育的多模态磁共振数据库，研究早产与足月出生的婴儿大脑发育模式的差异，探索影像特征与临床量表间的相关性，并设计统计模型对婴儿神经系统功能的发展进行预测。.在项目执行期间，按照计划书要求，主要开展了如下研究：1）优化了婴儿大脑成像序列，提升大脑灰白质对比度，从而提高了大脑分割的准确度；2）收集了157名年龄为0-6个月婴儿大脑的多模态磁共振影像数据库（包括高分辨率T1加权、T2加权、弥散成像等）；3）建立了基于多图谱融合的婴儿大脑分割算法，并针对婴儿大脑的非线性发育轨迹建立了“发育指数”统计模型；4）刻画了早产儿大脑发育的时空发育规律，包括大脑连接网络的变化、大脑非对称性的变化、视觉皮层的结构功能发育模式等；5）建立了通过早期磁共振影像特征预测中后期神经系统功能发育的模型，预测准确率达76%。总之，本项目围绕婴儿脑影像与脑发育，研发了新型的成像方法、分割算法和统计模型，所建立的婴儿大脑多模态磁共振数据库为国际上为数不多的数据库之一，对刻画大脑早期发育，特别对于研究基于中国人群的脑智发育具有重要意义，为发育早期神经系统功能的评估和预后提供有效的影像学工具。